---

前言

语音信号是一种高度不平稳信号，其功率谱会随着时间变化而不断变化。然而当仔细观察时，可以看到在足够短的时间内（10~30ms）内，其频谱特征相当平稳。

下图中展示一句“The wifi helped her husband”的时域波形的例子，信号波形可以按照不同音节进行划分：

• 其中有些片段是周期性的，例如“her”
• 有些是非周期或者类似噪声，例如“wifi”中的“fi”
  

本文中将对于语音的产生过程，以及不同的语音类型：周期信号、类噪信号以及静音具有的不同特征，时长，谱特征进行介绍。这样对于理解语音信号的特性和特征有很大帮助，这也是后面针对于语音处理的地基。

📌 作者：山河君，未经允许禁止转载

---

一、语音产生

1.人体中的语音产生系统

下图中展示了语音产生系统中的平面解剖图

如图所示，语音的产生涉及到一系列的器官和肌肉，总的来说可以划分为肺、喉和声道。

---

2.语音产生的整体链路

可以用一句话概括人发声的整体过程：

肺提供能量 → 声带产生周期/噪声源G(z) → 声道（喉咙+口腔+鼻腔）做频率选择V(z) → 嘴巴发射出去R(z)

如下图所示：

化为公式可以看作为：激励（声门脉冲）经过声道滤波产生了语音

• 时域
  $$s(t)=e(t)\ast h(t)$$
• 频域
  $$S(\omega )=E(\omega )\times H(\omega )$$

---

二、语音产生过程

1.肺（能量来源）

肺部呼气时产生一个近似稳定的气流压力：

• 气压推动声带
• 本身不产生“音高”
• 只是提供能量（类似电源）

👉 这一阶段没有声音，只是“风”

---

2.声带振动（真正的“发声源”）

1）声带结构

喉由肌肉、韧带、骨骼组成，控制着声带。声带由两块韧带和肌肉组成，两条“可开合的橡皮带”，而两片声带之间的缝隙称为声门。

2）声带产生震动

核心机制是：

✔ 气流 + 压力 + 弹性 → 自激振动

过程如下：

• 声带闭合，肺压升高
• 气压冲开声带
• 气流通过导致压力下降（伯努利效应 + 弹性回弹）
• 声带再次闭合
• 循环重复

👉 形成周期性振动，如同下图

3）基频

一次声带开启闭合的时间长度称为基音周期（pitch period），其倒数为基音频率。声带质量越大，震荡周期就越长，其基因频率越低，例如：

人群	常见基频范围
男性	80 ~ 200 Hz
女性	150 ~ 400 Hz
儿童	更高

这也是人耳为什么能确认是男声和女声的原因。

从另外一个角度，因为声带震动产生的不是正弦波，而是包含基频和谐波，所以

基频也是声带震动产生最小频率的谐波

4）声门波形模型

如果测量声门处气流速度随着声门闭合时间的函数，可以得到如下图中的表示：

其中：

• $T$：整个基因周期
• $T_0$:声门闭合到开启最大值之间的间隔
• $T_n$:声门开启最大值到结束的间隔

由此有为了拟合真实声门气流波形而构造的经验模型：
$$g(n)=\{\begin{array}{l}3(\frac{n}{T_0}{)}^2-2(\frac{n}{T_0}{)}^3,0\le n\le T_0\\ 1-(\frac{n-T_0}{T_N}{)}^2,T_0<n\le T_0+T_N\end{array}$$

这套声门波形已经被成功应用在高质量的语音合成器中，不过还有一种表达形式是由Rosenberg提出：一个完整周期内的声门流量模型，通常写成：
$$g(t)=\{\begin{array}{l}\frac{1}{2}(1-\cos (\frac{\pi t}{T_0}),0\le t\le T_0\\ \cos (\frac{\pi (t-T_0)}{2(T_N-T_0)}),T_0\le t\le T_N\\ 0,T_N\le t<T_0\end{array}$$

---

3.声道滤波（共振峰形成关键）

1）声道结构

人的声道总的来说是由口腔和鼻腔组成，如同下图

如果细分的话，总共包括：

• 咽腔
• 口腔
• 舌头
• 软腭（控制鼻音）
• 唇形

2）共振频率

我们知道往一根管子里吹起会产生特征明显的声音，这是由于管子类似一个滤波器，使得

某些频率通过时更容易“通过 + 叠加 + 累积”

这些频率就是共振频率。而声道本质上就是一个共振腔，并且人体的声道结构就类似与一根根管子，所以就会产生不同的共振频率。例如：

👉发元音 /a/ 时：

嘴张大
舌头较低

形成一种声道形状：

      /\
     /  \
----/    \----

它会产生几个主要共振频率：

F1 ≈ 700 Hz
F2 ≈ 1200 Hz
F3 ≈ 2500 Hz

👉发元音 /i/ 时：

嘴角拉开
舌头前移

声道形状变了：

----\__/----

于是共振频率完全改变：

F1 ≈ 300 Hz
F2 ≈ 2500 Hz
F3 ≈ 3200 Hz

3）共振峰

当声带产生不同谐波的声音时：

100
200
300
400
500
600
...

经过声道后：

500Hz附近增强
1500Hz附近增强
2500Hz附近增强

这些频谱包络上的峰值称为：共振峰（Formant），如下图中左图为声门脉冲频谱，中间为声道均匀声管模型，右图为输出频谱

再例如下图中是一个女生发音“head”的时域波形，共振频率为$F_1=719Hz,F_2=1800Hz,F_3=2875Hz$经过共振后的时域波形

所以共振峰是决定音色的关键。

值得注意的是：

共振频率(Formant Frequency)
是声道滤波器的极点位置

共振峰(Formant Peak)
是频谱上观察到的峰值

4.嘴唇/鼻腔（辐射关键）

1）空间声波转换

声道里的声音本质是：

管道内空气粒子的压力波动

但人耳收到的是：

空气中的声波

因此在嘴唇出口处，需要发生一次转换：

管内声波
    ↓
自由空间声波

类似：

• 喇叭振膜把振动辐射到空气
• 管风琴管口向外发声

2）辐射模型

语音学里有一个经典近似：
$$R(s)\propto s$$
也就是：
$$R(j\omega )\propto j\omega$$
这意味着：辐射过程近似是一个微分器（Differentiator），即：
频率越高：

• 增益越大

频率越低：

• 增益越小

例如，假设声道输出：

低频 ███████
中频 █████
高频 ██

经过辐射：

低频 ███
中频 █████
高频 ████

高频被增强。

3）增强范围

因为：
$$|R(j\omega )|\propto \omega$$
换算成db：
$$20{\log }_{10}\omega$$
频率翻倍：
$$20{\log }_{10}2\approx 6db$$
因此有一个著名结论：

嘴唇辐射 ≈ +6 dB/octave

即每升高一个倍频程，增益增加约 6 dB。

---

三、语音分类

1.浊音与清音

一句话概括，清音与浊音的区别主要看声带是否周期震荡

类型	声带状态	是否存在明显基频(F0)
浊音(Voiced)	声带周期振动	有
清音(Unvoiced)	声带不周期振动	无或很弱

1）清音

👉当发音‘‘s’’时，声带不参与

肺部 → 气流
      ↓
齿缝摩擦
      ↓
发出 ssss

2）浊音

👉当发音‘‘z’’时，声带参与振动

肺部 → 声带振动
      ↓
齿缝摩擦
      ↓
发出 zzzz

---

2.元音和辅音

元音和辅音的核心区别在于声道是否形成了明显的阻碍

1）元音

气流通过声道时基本畅通，例如

a e i o u

发音时没有明显的阻碍：

肺
 ↓
声带
 ↓
口腔
 ↓
直接出来

元音的特点在频谱上会有明显共振频率，所以声门经过声道会产生明显的共振峰，即：

• 能量大
• 周期性强
• 共振峰明显

2）辅音

发音时声道有阻碍，例如

b p t d k g
s sh f h
m n l

👉当发声‘s’时，舌头靠近牙齿：

气流
 ↓
狭窄通道
 ↓
摩擦噪声

会产生高频噪声。

👉但当发声‘p’时，双唇闭合再张开：

闭住
 ↓
积压气流
 ↓
突然爆破

产生爆破音。

👉当发声‘m’时，双唇闭合：

闭住
 ↓
积压气流
 ↓
鼻腔打开→ 更大更长的共振腔

会产生低频的共振频率

3.总结

分类维度	清音/浊音	元音/辅音
关注对象	声带	声道
判断标准	声带是否振动	气流是否受到明显阻碍
本质	激励源（Source）	滤波器（Filter）
与建模关系	决定激励模型	决定声道模型
是否独立	是	是

在经典的语音模型中，往往是先判断

当前帧
   ↓
清音？
浊音？

然后决定激励源：

• 浊音 → 周期脉冲（基频驱动）
• 清音 → 随机噪声驱

---

四、声道模型

根据上文对于语音的产生链路，我们可以得到一个如同下图所示的的工程模型：

• 对于浊音的情况
  $$X(z)=G(z)V(z)R(z)$$
• 对于清音，通常使用白噪声这样平坦的序列当做激励
  $$X(z)=N(z)V(z)R(z)$$
• 对于辐射模型，可以进行固定倍频增益6db

所以对于这种模型对于窄带语音信号非常理想，因为它只需要基音状态、清浊音状态、和声道参数这三组参数，所以该套模型被广泛应用于低速率语音编码，并且也是现代应用中语音识别、分析和合成的基础。

---

总结

本篇从人体发声器官出发，介绍了语音产生的完整过程，包括肺部提供气流能量、声带振动产生激励、声道形成共振峰以及嘴唇和鼻腔完成声波辐射等关键环节。同时分析了基频、谐波、共振峰等语音中的重要概念，以及清音/浊音、元音/辅音等语音分类方法。

通过这些分析可以发现，语音本质上可以看作激励源经过声道滤波后产生的结果，即经典的 Source-Filter 模型。该模型不仅能够较好地解释语音的产生机制，也是现代语音分析、语音编码、语音识别以及语音合成等技术的重要理论基础。

如果这篇对你有帮助，欢迎点赞 + 收藏 👍